Nanosaur2-670M
well9472 · 工具包
用一个 670M 参数的小型扩散模型,根据文字提示生成插画,在 ComfyUI 中运行。这是一个低预算的研究模型,适合想试用或训练自己 LoRA 的人。
在 Gradio 演示里根据参考曲目、你自己的歌词和一行风格描述生成 AI 翻唱歌曲。模型权重和生成结果只能用于非商业用途。
MuLaCover 是一款工具包,属于效率类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download hugging-apps/mulacover-demo --repo-type space --local-dir mulacover-demo cd mulacover-demo
MuLaCover 是一个可控 AI 翻唱和音乐混音的 Gradio 演示。你提供要跟随的曲目、自选的歌词和一句描述风格的短话。模型读取参考曲目的旋律、和弦和鼓点,然后生成新的音频,并解码成 48 kHz 的 WAV 文件。它在 Hugging Face 的 GPU 硬件上运行,并带有 MCP 标签。
想听到一首歌换上新风格和新歌词的音乐爱好者和研究人员,仅限非商业用途。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 音乐 | 业余音乐人 | 听自己的歌词配上参考旋律唱出来 | 给出参考片段、歌词和一行风格描述 |
| 研究 | 音乐 AI 研究人员 | 试用一个可控的生成流水线 | 比较不同风格描述的输出 |
| 软件 | 开发者 | 研究转写、风格编码和生成是如何串起来的 | 阅读 app.py |
| 教育 | 音乐技术的学生 | 看旋律和和弦如何引导生成 | 试用附带的示例片段 |
打算把生成结果拿去商业销售或发布的人必须跳过它,或者另外取得授权。
| 用例 | 谁用 | 得到什么 |
|---|---|---|
| 制作翻唱歌曲 | 音乐人 | 一个按你描述的风格生成的 48 kHz WAV |
| 混音一首曲目 | 制作人 | 一个沿用参考旋律的新版本 |
pip install -U huggingface_hub hf download hugging-apps/mulacover-demo --repo-type space --local-dir mulacover-demo cd mulacover-demo pip install gradio==6.17.3 pip install -r requirements.txt python app.py
在线使用时,访问 Hugging Face 上的这个 Space,添加要跟随的曲目和你的歌词,用一句短话描述风格,然后生成。在自己的电脑上,运行启动命令,再打开 Gradio 提供的本地页面。
python app.py
| 工具 | 作用 |
|---|---|
| 参考歌曲 | 提供要跟随的旋律、和弦和鼓点 |
| 歌词 | 你想在新版本里唱出来的词 |
| 风格提示词 | 一行描述你想要的声音 |
| examples | 存放附带的参考片段 |
你选一段附带的 45 秒参考片段,写几行歌词,再用一行描述风格。演示会返回一个新的音频文件,旋律跟随片段,唱的是你的词。
如果你刚接触,先用一段附带的示例片段,了解参考应该是什么样子。然后只改风格那一行,听结果有什么变化。
如果你熟悉这个领域,流水线分几个阶段工作。YourMT3 和 ChordNet 把参考曲目转成乐谱信息,Qwen3-Embedding 编码风格文字,3B 的 llama 骨干生成 HeartCodec 音频词元,最后再解码。代价是大量占用 GPU 和非商业许可。
在 Gradio 演示里根据参考曲目、你自己的歌词和一行风格描述生成 AI 翻唱歌曲。模型权重和生成结果只能用于非商业用途。
由 hugging-apps 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:MuLaCover 是一个可控 AI 翻唱和音乐混音的 Gradio 演示。你提供要跟随的曲目、自选的歌词和一句描述风格的短话。模型读取参考曲目的旋律、和弦和鼓点,然后生成新的音频,并解码成 48 kHz 的 WAV 文件。它在 Hugging Face 的 GPU 硬件上运行,并带有 MCP 标签。
适合谁:想听到一首歌换上新风格和新歌词的音乐爱好者和研究人员,仅限非商业用途。
行业 | 谁在用 | 怎么用 | 例子
音乐 | 业余音乐人 | 听自己的歌词配上参考旋律唱出来 | 给出参考片段、歌词和一行风格描述
研究 | 音乐 AI 研究人员 | 试用一个可控的生成流水线 | 比较不同风格描述的输出
软件 | 开发者 | 研究转写、风格编码和生成是如何串起来的 | 阅读 app.py
教育 | 音乐技术的学生 | 看旋律和和弦如何引导生成 | 试用附带的示例片段
打算把生成结果拿去商业销售或发布的人必须跳过它,或者另外取得授权。
用在哪里:
用例 | 谁用 | 得到什么
制作翻唱歌曲 | 音乐人 | 一个按你描述的风格生成的 48 kHz WAV
混音一首曲目 | 制作人 | 一个沿用参考旋律的新版本
如何设置:
pip install -U huggingface_hub
hf download hugging-apps/mulacover-demo --repo-type space --local-dir mulacover-demo
cd mulacover-demo
pip install gradio==6.17.3
pip install -r requirements.txt
python app.py
如何使用:在线使用时,访问 Hugging Face 上的这个 Space,添加要跟随的曲目和你的歌词,用一句短话描述风格,然后生成。在自己的电脑上,运行启动命令,再打开 Gradio 提供的本地页面。
python app.py
工具 | 作用
参考歌曲 | 提供要跟随的旋律、和弦和鼓点
歌词 | 你想在新版本里唱出来的词
风格提示词 | 一行描述你想要的声音
examples | 存放附带的参考片段
示例:你选一段附带的 45 秒参考片段,写几行歌词,再用一行描述风格。演示会返回一个新的音频文件,旋律跟随片段,唱的是你的词。
新手与专家:如果你刚接触,先用一段附带的示例片段,了解参考应该是什么样子。然后只改风格那一行,听结果有什么变化。
如果你熟悉这个领域,流水线分几个阶段工作。YourMT3 和 ChordNet 把参考曲目转成乐谱信息,Qwen3-Embedding 编码风格文字,3B 的 llama 骨干生成 HeartCodec 音频词元,最后再解码。代价是大量占用 GPU 和非商业许可。
你给出歌曲、歌词和风格
读取旋律、和弦和鼓点
编码风格
生成音频词元
解码出 48 kHz 的 WAV
注意事项:
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 5 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| MuLaCover 本页 | 47 | gradio | cc-by-nc-4.0 | |
| Audio Separator Pro共有 music · gradio | 9 | gradio | mit | |
| Background Removal共有 mcp-server · gradio | 2,988 | gradio | mit | |
| Diffusers Image Outpaint共有 mcp-server · gradio | 2,565 | gradio | apache-2.0 | |
| FLUX.1 Kontext共有 mcp-server · gradio | 1,661 | gradio | mit | |
| Chatterbox Turbo Demo共有 mcp-server · gradio | 541 | gradio | mit |
well9472 · 工具包
用一个 670M 参数的小型扩散模型,根据文字提示生成插画,在 ComfyUI 中运行。这是一个低预算的研究模型,适合想试用或训练自己 LoRA 的人。
Waqf-AI · 工具包
读取图片中的阿拉伯语手写文字并以文本形式返回。这是微调过的 PaddleOCR-VL 模型,适合要把阿拉伯语手写内容数字化的人。
Wan-AI · 工具包
根据文本提示或图像加文字生成视频片段,最高 720P、每秒 24 帧,Diffusers 格式,适合单块消费级 GPU。
Wan-AI · 工具包
用小型的 1.3B Wan2.1 模型根据文字提示词生成短的 480P 视频,已打包成 diffusers 库可用的形式。在约 8.19 GB 显存的消费级显卡上就能运行。
serendipitylabs · 工具包
在 CPU 或 CUDA GPU 上把马拉雅拉姆语语音转成文字,是 Serendipity Labs 的早期研究版本。适合想为简短清晰的录音生成转写草稿的人。
OrdenWills · 工具包
把“关掉电视”这样的日常家居指令变成结构化的工具调用,并先检查设备状态。这是一个 3.5 亿参数的模型,适合智能家居开发者和爱好者。